Oleh: Rita Rostika
Peneliti Budidaya Perikanan Universitas Padjadjaran
Aplikasi Python
ALGIVON.ID – Python adalah bahasa pemrograman yang paling umum digunakan, digunakan hampir di semua bidang teknologi, salah satu contohnya dapat digunakan untuk:
- Analisis statistik
- Mengolah data Excel dan CSV
- Membuat grafik penelitian
- Analisis ANOVA, regresi, PCA
- Machine Learning
- Deep Learning
Contoh pada penelitian budidaya dengan tema “penggunaan lampu tanning untuk penguatan warna merah pada red arowana” maka phyton dapat digunakan pada
- Analisis pengaruh lampu hard tanning, soft tanning, dan tanpa tanning terhadap color brightness arowana.
- Mengolah data spektrofotometer.
- Membuat grafik pertumbuhan warna merah.
- Analisis sidik ragam (ANOVA).
Python adalah bahasa yang paling banyak digunakan untuk AI, contohnya: pada ChatGPT, deteksi penyakit ikan, identifikasi spesies ikan, prediksi pertumbuhan ikan, prediksi kualitas air
Pekerjaan lain adalah otomatisasi pekerjaan (Automation), misalnya Anda memiliki 500 file Excel, biasanya buka satu per satu, dicopy, dhitung lalu dibuat grafik, namun apabila dilakukan dengan phyton adalah sebagai berikut (Gambar 1).
Gambar 1. Otomatisasi Pekerjaan (Automation) yang dikerjakan oleh Phyton
Berikut adalah seperti apa / bagaimana alur Phyton bekerja (Gambar 2)??
Gambar 2. Alur Phyton Bekerja Seperti yang Terdapat Pada Gambar Berikut
Selanjutnya di bawah ini diperlihatkan bagaimana sebuah aplikasi Python bekerja dengan data pencatatan kualitas air (Gambar 3).
Gambar 3. Aplikasi Python Bekerja Dengan Data Pencatatan Kualitas Air
| Input | Python menghitung | Status | Output |
| Suhu = 29°C | Bahaya | ⚠ Air tidak layak | |
| pH = 7.8 | Saran: | ||
| DO = 5.6
|
– Kurangi pakan
– Siphon dasar – Tambah aerasi |
||
| NH3 = 0.25 | NH3 > 0.1 |
Apakah Python cocok untuk bidang perikanan?
Sangat cocok. Dalam konteks penelitian dan budidaya ikan seperti yang sering Anda kerjakan, Python dapat digunakan untuk:
- Menganalisis pengaruh lampu tanning terhadap color brightness ikan arowana.
- Mengolah data pertumbuhan dan kelangsungan hidup (survival rate).
- Menganalisis kualitas air (pH, DO, suhu, amonia, nitrit).
- Mengolah hasil spektrofotometer atau analisis citra warna.
- Membuat dashboard monitoring kualitas air secara real-time.
- Memprediksi pertumbuhan ikan menggunakan machine learning.
- Mengotomatiskan pembuatan tabel dan grafik untuk publikasi ilmiah.
Jadi, Python bukan hanya bahasa pemrograman, tetapi juga sebuah ekosistem yang memungkinkan anda membuat aplikasi, menganalisis data, mengolah gambar, membangun sistem AI, hingga mengotomatisasi pekerjaan penelitian dan budidaya. Untuk kebutuhan riset perikanan seperti yang Anda lakukan, Python merupakan salah satu pilihan terbaik karena memiliki banyak pustaka ilmiah yang kuat, gratis, dan digunakan secara luas oleh peneliti di seluruh dunia.
Analisis Data dan Penelitian
Python banyak digunakan oleh peneliti, akademisi, dan ilmuwan untuk mengolah serta menganalisis data. Dengan Python, pengguna dapat melakukan analisis statistik, mengolah data Excel atau CSV, membuat grafik, melakukan analisis regresi, ANOVA, Principal Component Analysis (PCA), hingga menerapkan machine learning dan deep learning.
Dalam bidang perikanan, Python dapat dimanfaatkan untuk menganalisis pengaruh perlakuan tanning terhadap tingkat kecerahan warna (color brightness) ikan arowana, mengolah data spektrofotometer, menghitung laju pertumbuhan, serta menyusun grafik dan tabel yang siap digunakan dalam publikasi ilmiah.
Cara Kerja Aplikasi Python
Sebuah aplikasi yang dibuat dengan Python bekerja melalui beberapa tahapan. Pertama, pengguna memasukkan data (input), misalnya nilai suhu, pH, DO, dan amonia. Selanjutnya, Python memproses data tersebut menggunakan rumus atau aturan yang telah diprogram. Hasil perhitungan kemudian dibandingkan dengan standar yang telah ditentukan. Berdasarkan hasil tersebut, aplikasi memberikan keputusan atau rekomendasi, misalnya kondisi air “baik”, “perlu perhatian”, atau “berbahaya”, disertai saran tindakan yang perlu dilakukan.
Penerapan Python dalam Bidang Budidaya Lobster di KJA Pantai Timur Pangandaran
Dalam bidang perikanan budidaya, Python memiliki banyak manfaat, antara lain untuk menganalisis pengaruh pakan alami terhadap pertumbuhan dan kelangsungan hidup lobster, mengolah data pertumbuhan dan kelangsungan hidup, menganalisis kualitas air seperti pH, suhu, DO, amonia, dan nitrit, membangun dashboard monitoring kualitas air secara real-time, memprediksi pertumbuhan ikan menggunakan machine learning, serta mengotomatisasi pembuatan tabel, grafik.
Sebagai contoh adalah data python sementara karena belum diisi nilai rupiahnya.
Cooding Python Rancangan Acak Lengkap
- Input Data (Ral 4 Perlakuan 6 Ulangan) # Data Disintesis Dari Rata-Rata
- Perhitungan Parameter
- Rata-Rata Perlakuan
- Uji Normalitas
- Uji Homogenitas
- ANOVA
- Duncan Test (Manual)
- Visualisasi
# =====================================
# IMPORT LIBRARY
# =====================================
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import shapiro, levene
from statsmodels.formula.api import ols
import statsmodels.api as sm
from statsmodels.stats.libqsturng import qsturng
# =====================================
# 1. INPUT DATA (RAL 4 PERLAKUAN 6 ULANGAN)
# DATA DISINTESIS DARI RATA-RATA
# =====================================
np.random.seed(1)
perlakuan = [‘A’,’B’,’C’,’D’]
# rata-rata dari data
mean_Wm = {‘A’:11.4, ‘B’:9.3, ‘C’:8.7, ‘D’:7.6}
mean_Lm = {‘A’:1.42, ‘B’:1.25, ‘C’:1.17, ‘D’:1.33}
mean_ADG = {‘A’:0.168, ‘B’:0.157, ‘C’:0.145, ‘D’:0.127}
data = []
# buat 6 ulangan per perlakuan (simulasi kecil agar bisa ANOVA)
for p in perlakuan:
for i in range(6):
Wo = np.random.normal(45,2)
Wm = np.random.normal(mean_Wm[p],0.8)
Wt = Wo + Wm
Lo = np.random.normal(10.5,0.3)
Lm = np.random.normal(mean_Lm[p],0.2)
Lt = Lo + Lm
pakan = np.random.normal(200,10)
data.append([p,i+1,Wo,Wt,Lo,Lt,pakan])
df = pd.DataFrame(data, columns=[
‘Perlakuan’,’Ulangan’,’Wo’,’Wt’,’Lo’,’Lt’,’Pakan’
])
# =====================================
# 2. PERHITUNGAN PARAMETER
# =====================================
t = 60
df[‘Wm’] = df[‘Wt’] – df[‘Wo’]
df[‘Lm’] = df[‘Lt’] – df[‘Lo’]
df[‘SGR’] = (np.log(df[‘Wt’]) – np.log(df[‘Wo’])) / t * 100
df[‘ADG’] = df[‘Wm’] / t
# FCR & SR
FCR = {‘A’:24.70, ‘B’:21.28, ‘C’:25.69, ‘D’:27.12}
SR = {‘A’:95, ‘B’:80, ‘C’:95, ‘D’:85}
# =====================================
# 3. RATA-RATA PERLAKUAN
# =====================================
mean_df = df.groupby(‘Perlakuan’).mean(numeric_only=True)
mean_df[‘FCR’] = mean_df.index.map(FCR)
mean_df[‘SR’] = mean_df.index.map(SR)
print(“\n=== RATA-RATA PERLAKUAN ===”)
print(mean_df[[‘Wm’,’Lm’,’SGR’,’ADG’,’FCR’,’SR’]])
# =====================================
# 4. UJI NORMALITAS
# =====================================
print(“\n=== UJI NORMALITAS (Shapiro) ===”)
for p in perlakuan:
stat, pval = shapiro(df[df[‘Perlakuan’]==p][‘Wm’])
print(f”{p}: p-value = {pval:.4f}”)
# =====================================
# 5. UJI HOMOGENITAS
# =====================================
groups = [df[df[‘Perlakuan’]==p][‘Wm’] for p in perlakuan]
stat, pval = levene(*groups)
print(“\nUji Levene p-value =”, pval)
# =====================================
# 6. ANOVA
# =====================================
model = ols(‘Wm ~ C(Perlakuan)’, data=df).fit()
anova = sm.stats.anova_lm(model, typ=2)
print(“\n=== ANOVA ===”)
print(anova)
# =====================================
# 7. DUNCAN TEST (MANUAL)
# =====================================
print(“\n=== DUNCAN TEST ===”)
means = mean_df[‘Wm’].sort_values(ascending=False).reset_index()
MSE = anova[‘sum_sq’].iloc[1] / anova[‘df’].iloc[1]
df_error = anova[‘df’].iloc[1]
n = 6
groups_letter = [”]*len(means)
letters = [‘a’,’b’,’c’,’d’]
for i in range(len(means)):
groups_letter[i] = letters[i]
for i in range(len(means)):
for j in range(i+1, len(means)):
r = j – i + 1
q = qsturng(0.95, r, df_error)
LSR = q * np.sqrt(MSE/n)
diff = abs(means.loc[i,’Wm’] – means.loc[j,’Wm’])
if diff < LSR:
groups_letter[j] = groups_letter[i]
means[‘Group’] = groups_letter
print(means)
# =====================================
# 8. VISUALISASI
# =====================================
# BAR CHART
plt.figure()
plt.bar(mean_df.index, mean_df[‘Wm’])
plt.title(“Pertumbuhan Bobot Mutlak (Wm)”)
plt.xlabel(“Perlakuan”)
plt.ylabel(“Gram”)
plt.show()
# LINE CHART (DATA ASLI)
time = [0,10,20,30,40,50,60]
A = [51.27,51.8,52.56,53.42,54.48,55.66,57.23]
B = [47.88,48.24,48.77,49.52,50.54,51.41,52.14]
C = [50.35,50.87,51.39,51.89,52.55,53.32,53.95]
D = [47.83,48.40,48.95,49.53,50.35,50.84,51.49]
plt.figure()
plt.plot(time,A,label=’A’)
plt.plot(time,B,label=’B’)
plt.plot(time,C,label=’C’)
plt.plot(time,D,label=’D’)
plt.title(“Pertumbuhan Berat Lobster”)
plt.xlabel(“Hari”)
plt.ylabel(“Gram”)
plt.legend()
plt.show()
Hasil Python Sebagai Berikut
=== RATA-RATA PERLAKUAN ===
Wm Lm SGR ADG FCR SR
Perlakuan
A 11.389643 1.391295 0.383635 0.189827 24.70 95
B 9.070127 1.335448 0.307331 0.151169 21.28 80
C 8.793654 1.287521 0.306719 0.146561 25.69 95
D 7.877711 1.307684 0.272327 0.131295 27.12 85
=== UJI NORMALITAS (Shapiro) ===
A: p-value = 0.8285
B: p-value = 0.7816
C: p-value = 0.0671
D: p-value = 0.9066
Uji Levene p-value = 0.5098123848165053
=== ANOVA ===
sum_sq df F PR(>F)
C(Perlakuan) 40.185329 3.0 24.969626 5.744409e-07
Residual 10.729123 20.0 NaN NaN
=== DUNCAN TEST ===
Perlakuan Wm Group
0 A 11.389643 a
1 B 9.070127 b
2 C 8.793654 b
- D 877711 D
Visualisasinya Adalah Sebagai Berikut
Gambar Grafik
Demikian peran Aplikasi Phyton, ini dengan harapan lebih banyak lagi kebermanfaatannya untuk para peneliti. Selamat mencoba !!!!
BACA JUGA: Begini Cara Meningkatkan Kualitas Warna Merah pada Red Arowarna, Penggemar Ikan Hias Harus Tahu